神經元網絡——人工大腦，其可以立即識别照片中人的面部、車輛、建築物以及其他對象。但是，該系統局限性仍存。
該網絡基于機器語言翻譯方面的研究成果：通過一種遞歸神經網絡（rnn）将一種語言的 語句轉換成向量表達，并采用第二個rnn将向量表達轉換成目智語言的語句。
該網絡可以識别語音、将一種語言翻譯成另一種、定向投放廣告或者教會機器人開啟瓶蓋。如果将整個過程逆轉，人們可以讓該系統具備全新能力，不僅可以識别圖像，而且可以創造圖像。
facebook表示，其正在教授自家的神經元網絡完成建立包括飛機、汽車及動物在内的圖像的任務，在40%的情況下，這些圖像足以讓我們相信自己看到的是真實照片。
而來自谷歌的研究人員則正在進行截然相反的工作，他們通過神經元網絡将真實的照片轉換成某種超現實主義的風格。他們讓機器識别照片中熟悉的模式，然後對這些模式進一步增強，然後在同一張照片中重複這一步驟。如果照片中的雲朵有點像鳥，網絡就會使其變得更像鳥一點，周而複始，直至完全展現出一隻鳥的樣子，其結果就是某種由神經元網絡生成的抽象藝術畫作。
以下是谷歌的實驗過程
研究人員将圖檔輸入圖像識别神經網絡，并讓它識别該圖檔中的一個特征，并修改圖檔以強調這項特征。修改後的圖象然後被回報到神經網絡，并讓神經網絡再次識别其他特征并強調它們。最終，這幅圖檔被修改得面目全非。
在一個低水準上，這種神經元網絡可以被用來檢測圖像的邊界。在這種情況下，這些圖像就像繪畫作品，使用過photoshop濾鏡的人應該對此感到不陌生：
但是，如果神經元網絡被要求識别更複雜的圖像，——例如識别一頭動物，它會産生令人不安的奇幻圖景：
最終，這個軟體可以對随機噪聲進行識别，但生成的結果完全屬于自身的想象：
如果你讓一個用來識别建築物的神經元網絡去識别一幅毫無特征的圖像，它将産生這樣的結果：
這些照片是驚人的，但他們不僅僅是用來展示的。神經網絡具有機器學習的一個共同特征：它不是向計算機輸入程式以讓它能夠識别特定的圖像，而是向它輸入許多圖像，并讓它自己整合這些圖像的關鍵特征。
但是，這可能會導緻軟體更加出人意料。我們很難知道軟體正在審查哪些特征，以及它忽略了哪些特征。例如，研究人員要神經元網絡在一幅随機噪聲圖像中識别啞鈴，發現它認為啞鈴一定是有手臂握住的：
解決方案可能是向它輸入更多放在地上的啞鈴圖像，直到它明白手臂并非啞鈴的内在組成部分。
谷歌表示，通過将神經元網絡的運作過程逆轉，傳授它們生成圖像的技巧，能夠讓人們更好的了解它們的運作機理。谷歌讓網絡對自己在圖像中發現了什麼進行描述。有時，它們隻是發現了某個形狀的邊界；有時，它們發現了更加複雜的事物，例如位于水準線上一座塔的輪廓或者一棵樹中隐藏的建築物。每一次，研究人員都能夠更好地了解該網絡。
雖然facebook和谷歌在神經元網絡呈像效果上有所差異，但跨越了“多層”人工神經元還是能夠一緻地完成特定任務。
通過該網絡，就特定層面的神經元是如何了解一副圖像的問題，人們可以獲得一個量化的答案，這幫助研究人員通過可視化方式來了解神經元網絡如何處理分類任務，進而改進網絡架構以及判斷是否網絡通過訓練完成了自我學習。
原文釋出時間為：2015-06-22
本文來自雲栖社群合作夥伴“大資料文摘”，了解相關資訊可以關注“bigdatadigest”微信公衆号